Predição da força de reação do solo durante a caminhada e corrida na água utilizando técnicas de mineração de dados

Abstract

O avanço das tecnologias da informação e comunicação tem gerado progresso nas técnicas de mineração de dados. Os processos e técnicas de mineração de dados são utilizados para procurar padrões que proporcionam vantagens e aperfeiçoamentos em diversas áreas, tais como: marketing, detecção de fraude, investimentos financeiros, área da saúde entre outras. Com o objetivo de auxiliar na prescrição dos exercícios de caminhada e corrida na água, no que refere-se ao conhecimento e controle das forças de reação do solo durante exercícios subaquáticos, esta pesquisa procurou gerar modelos preditivos para o pico das componentes vertical, ântero-posterior e da resultante da força de reação do solo durante a caminhada e corrida na água, por meio das técnicas de mineração de dados. Os dados utilizados neste estudo, contam com informações como sexo, idade, massa corporal, cintura, coxa e estatura de 143 pessoas. No que se refere aos exercícios subaquáticos, os dados contam com informações sobre exercícios de caminhada e corrida na água em 3 diferentes tipos de velocidades: normal, rápida e lenta. Os níveis de imersão presentes nos dados são 0,75, 0,90, 1,05, 1,20, e 1,35 metros. Foram utilizados 14 tipos diferentes de algoritmos de regressão para predição das variáveis FR, Fy e Fx, por meio de uma biblioteca python denominada de scikit-learn. Através do uso das técnicas de mineração de dados, como cross-validation K-Fold, foram gerados modelos de predição que conseguiram prever até 93% das amostras presentes na base de dados usada. Os algoritmos Support Vector Regression e Tweedie Regressor foram os algoritmos que demonstraram maior potencial na predição das forças de reação do solo durante os exercícios aquáticos em questão.

Abstract: The advancement of information and communication technologies has generated progress in data mining techniques. Data mining processes and techniques are used to look for patterns that provide advantages and improvements in several areas, such as: marketing, fraud detection, financial investments, healthcare, among others. In order to assist in the prescription of walking and running exercises in the water, with regard to the knowledge and control of ground reaction forces during underwater exercises, this research sought to generate predictive models for the peak of the vertical, antero- and the resulting ground reaction force during walking and running in the water, using data mining techniques. The data used in this study have information such as sex, age, body mass, waist, thigh and height of 143 people. As far as underwater exercises are concerned, the data has information about walking and running exercises in the water at 3 different types of speeds: normal, fast and slow. The immersion levels present in the data are 0.75, 0.90, 1.05, 1.20, and 1.35 meters. Fourteen different types of regression algorithms were used to predict the variables FR, Fy and Fx, using a python library called scikit-learn. Through the use of data mining techniques, such as cross-validation K-Fold, prediction models were generated that were able to predict up to 93% of the samples present in the database used. The Support Vector Regression and Tweedie Regressor algorithms were the algorithms that showed the greatest potential in predicting the ground reaction forces during the aquatic exercises in question.